阶段二 · 金融通识二资产配置与全天候策略用数据构建投资框架配套代码code/stage2/allweather.py 图表assets/images/stage2/0. 资产配置为什么是唯一的免费午餐诺贝尔经济学奖得主马科维茨说过一句被反复引用的话“资产配置是投资里唯一的免费午餐”——通过组合低相关资产可以在不降低预期收益的前提下降低波动。本篇用真实跑出的代码把这句话变成你看得见的净值曲线。1. 宏观 / 微观 / 计量经济学要点1.1 宏观四种经济环境决定资产表现Ray Dalio桥水创始人把经济拆成两个轴经济增长高于预期 vs 低于预期通胀/利率上升 vs 下降。交叉出 4 种环境每种环境下赢家不同环境利好资产逻辑增长↑ 通胀↑商品、股票需求旺、定价权强增长↑ 通胀↓股票、信用债盈利扩张、贴现率低增长↓ 通胀↑商品、通胀保护债(TIPS)滞胀实物资产抗通胀增长↓ 通胀↓长久期国债降息预期、避险关键洞察没有单一资产能通吃四种环境。全天候策略的目标就是每种环境都配置一点让组合在任何天气都不至崩盘。1.2 微观风险收益是资产的第一属性资产类别预期年化收益年化波动主要风险股票(股)中高高权益风险、回撤大利率债/国债(债)低低利率、通胀基金(基)中中经理/风格漂移黄金(金)中中实际利率、美元房产(非传统)中中低(但流动性差)杠杆、 locality加密货币(非传统)极高波动极高监管、流动性、归零传统资产(股/债/基/金)流动性好、数据齐非传统资产(房产/加密)收益诱人但流动性与可研究性弱——配置时要单独打折。1.3 计量经济学均值-方差与相关性马科维茨均值-方差框架组合方差σ_p² wᵀ Σ w其中Σ是协方差矩阵。当资产间相关系数 1最好为负组合波动会被分散掉。这正是上篇correlation_heatmap.png里科技股高相关、跨板块低相关的现实意义相关性越低分散效果越强。2. 全天候(All Weather)配置用合成数据回测我们用 5 类资产的合成日收益因子模型构造相关、GBM 风格对比三种配置策略EquityTLT(长债)IEF(中债)GoldComm100% 股票100%0000经典 60/4060%040%00全天候 All Weather30%40%15%7.5%7.5%全天候权重取自 Dalio 公开版本30% 股票 40% 长债 15% 中债 7.5% 黄金 7.5% 商品。importnumpyasnp,pandasaspd# 资产: Equity, TLT, IEF, Gold, CommW_ALLWEATHERnp.array([0.30,0.40,0.15,0.075,0.075])W_6040np.array([0.60,0.00,0.40,0.00,0.00])# 组合日收益 各资产日收益按权重加权port_retreturns.values W_ALLWEATHER net_valuenp.cumprod(1.0port_ret)# 净值曲线2.1 全天候权重图图 1全天候组合中债券合计占 55%长债 40%中债 15%股票仅 30%另加黄金与商品各 7.5% 作通胀保险。2.2 净值曲线对比图 2三种策略净值曲线起点1.0。100% 股票波动最剧烈60/40 与全天候明显更平滑。3. 真实回测结果代码跑出运行python code/stage2/allweather.py年化指标对比无风险利率取 0策略年化收益年化波动最大回撤夏普比率100% 股票9.83%15.46%-13.23%0.64经典 60/409.39%9.60%-6.39%0.98全天候 All Weather11.97%8.12%-6.98%1.47读图结论波动减半、回撤腰斩100% 股票波动 15.46%60/40 与全天候降到 ~9%/8%最大回撤从 -13.23% 收窄到约 -7%。这就是免费午餐——风险被分散掉了夏普大幅提升全天候夏普 1.47远高于 100% 股票的 0.64单位风险换来的收益更划算关于全天候收益反而最高本例合成数据下全天候年化(11.97%)略高于纯股票(9.83%)这是理想化合成场景的结果债券与股票在此样本中呈现良好互补。真实历史中全天候通常以牺牲部分收益换取更低波动与更小回撤请把它理解为风险调整后更优的演示而非全天候收益一定最高的保证。4. 个人资产健康度分析小工具把机构框架降维到个人记账给一个资产配置 dict自动算出集中度、有效资产数、资产类别覆盖、健康评分。defassess_health(allocation,classesNone):totalsum(allocation.values())w{k:v/totalfork,vinallocation.items()}hhisum(v*vforvinw.values())# 赫芬达尔指数(越集中越大)eff_n1.0/hhiifhhi0else0# 有效资产数n_classeslen(set(classes.values()))ifclasseselselen(w)score(40*min(eff_n,10)/1030*min(n_classes,5)/530*(1.0ifmax(w.values())0.5else0.0))returndict(hhihhi,effective_neff_n,n_classesn_classes,health_scorescore)真实运行示例一个偏股的个人组合alloc{沪深300ETF:0.55,国债ETF:0.20,黄金ETF:0.10,货币基金:0.10,比特币:0.05}classes{沪深300ETF:股票,国债ETF:债券,黄金ETF:商品,货币基金:现金,比特币:加密}healthassess_health(alloc,classes)# HHI0.365 | 有效资产数2.74 | 资产类别5 | 健康评分41.0/100解读虽然覆盖了 5 类资产但单一标的(沪深300ETF)占比 55% 50% 被扣分有效资产数仅 2.74看似 5 个实则高度集中健康评分41/100——提示该分散了。工具思路可直接接你的记账 App每月跑一次做体检。5. 小结 交付物代码code/stage2/allweather.py离线可复现图表assets/images/stage2/allocation_pie.png、allweather_curve.png数值摘要code/stage2/allweather_summary.json你已掌握四种经济环境框架、传统/非传统资产风险收益、均值-方差分散原理、全天候 vs 60/40 回测、个人资产健康度量化工具。阶段二到此结束。你手上已有数据→清洗→配置→回测的最小闭环下一阶段将进入量化内核因子、择时、风险模型。附本阶段全部图表清单文件用途所属博客assets/images/stage2/price_series.png多资产价格序列数据获取与清洗assets/images/stage2/outlier_boxplot.png异常值箱线图数据获取与清洗assets/images/stage2/correlation_heatmap.png相关性热力图数据获取与清洗assets/images/stage2/allocation_pie.png全天候权重饼图资产配置与全天候assets/images/stage2/allweather_curve.png组合净值曲线资产配置与全天候